Prompt 语宙Prompt 语宙
  • 首页
  • 语宙 AI 导航
  • AIGC 资讯
    • AIGC 早报生成器Hot
    • 最新趋势
    • AI 工具
    • 热门资源
    • 强化 AI 学习
  • AI 绘图
    • Prompt 实战
    • AI 绘画教程
    • 模型精选
  • AI 图库
    • 人物
    • 展台场景
    • Banner
    • 游戏
    • 动物
    • 食物
    • 自然
    • 背景
    • 海报
    • 建筑
    • 室内设计
  • 出海数字营销宝典
  • AI 生图 Prompt
    • 写实人像
    • 产品与广告
    • 游戏资产与 3D
    • 界面与图标
    • 建筑与室内
    • 动漫与插画
    • 风景与自然
搜索 AIGC 资讯、Prompt 咒语与 AI 工具
  • 语宙 AI 导航
  • 全部资讯
  • AI 生图咒语库
  • AIGC 早报生成器
  • 核心专题
  • 提交工具 / 合作
© 2023–2026 Prompt 语宙 (paooo.com). HalfPX. All Rights Reserved.
阅读: 构建软件项目最难的部分不是编码而是需求 [译]
Share
通知 阅读更多
Font Resizer字体
Font Resizer字体
Prompt 语宙Prompt 语宙
搜索 AIGC 资讯、Prompt 咒语与 AI 工具
  • 首页
  • 语宙 AI 导航
  • AIGC 资讯
    • AIGC 早报生成器Hot
    • 最新趋势
    • AI 工具
    • 热门资源
    • 强化 AI 学习
  • AI 绘图
    • Prompt 实战
    • AI 绘画教程
    • 模型精选
  • AI 图库
    • 人物
    • 展台场景
    • Banner
    • 游戏
    • 动物
    • 食物
    • 自然
    • 背景
    • 海报
    • 建筑
    • 室内设计
  • 出海数字营销宝典
  • AI 生图 Prompt
    • 写实人像
    • 产品与广告
    • 游戏资产与 3D
    • 界面与图标
    • 建筑与室内
    • 动漫与插画
    • 风景与自然
已有帐户? 登陆
  • 语宙 AI 导航
  • 全部资讯
  • AI 生图咒语库
  • AIGC 早报生成器
  • 核心专题
  • 提交工具 / 合作
© 2023–2026 Prompt 语宙 (paooo.com). HalfPX. All Rights Reserved.
构建软件项目最难的部分不是编码而是需求 [译]
Prompt 语宙 > 强化 AI 学习 > 构建软件项目最难的部分不是编码而是需求 [译]
强化 AI 学习

构建软件项目最难的部分不是编码而是需求 [译]

宝玉的分享
最近更新: 2026年5月23日 下午6:27
AI智能体 AI编程 大模型微调
SHARE
⚡ Prompt 语宙 AI 导读 · 30 秒核心看点
  • 软件构建最难的不是编码,而是把“需求”说清楚、定准确。
  • 国际象棋适合 AI,是因为规则固定、目标明确、可计算空间有限。
  • 自动驾驶与真实业务更复杂,变量太多,需求和安全边界仍需人类把关。

AI 想要替代程序员谈何容易。

阅读目录
  • 这不是漏洞,而是特性……不对,等等,其实是个漏洞
  • 当前的 AI:对比国际象棋与自动驾驶汽车
  • AI 无法创造软件,只能编写代码

随着越来越多的 AI 最新成果的新闻报道,很多人觉得 AI 很快就能取代我们这些程序员,他们觉得未来管理层和产品经理可以直接绕过程序员,让 AI 直接开发出他们想要的产品。作为一名有 15 年工作经验,日常就是根据这些人的要求构建软件的程序员,我对这种担忧其实并不太认同。

编码固然充满挑战,但我从未花费过两周以上的时间来解决代码问题。一旦你熟悉了编程语法、逻辑和技术,编码大体上是个直接明了的过程。真正的难题通常在于软件应该完成什么任务。软件构建真正的难点不在于编写代码,而在于定义需求,而这些需求仍然需要人类来确定。

本文将讨论软件需求与软件构建之间的关系,以及 AI 实现优秀成果所需的关键因素。

这不是漏洞,而是特性……不对,等等,其实是个漏洞

在我软件事业初期,我被调入一个项目中,目的是提升团队的工作效率。该软件的主要功能是在电商网站上配置定制产品。

我的任务是编写能够根据购买的产品类型和客户所在的美国州(出于法律要求)变化的条款和条件。

有一次,我以为我发现了一个潜在的问题。用户可以选择一个产品类型并生成相应的条款和条件,但随着工作流程的推进,系统还允许用户选择另一种产品类型和预设的条款和条件。这违反了商业需求中明确约定的一个特性,而且客户还签字确认了。

我天真地向客户提出了一个问题:“我是否需要移除允许用户改变正确条款和条件的输入选项?”我至今还记得我得到的回答。他那充满自信的确切回答是:

“那绝不会发生”

他是一位在公司工作多年、熟悉公司业务流程、被指定监管软件项目的高级执行官。正是这位执行官明确要求保留修改默认条款和条件的功能。我一个初出茅庐的小职员,怎敢质疑这位高管,尤其是他所在的公司还是我们的客户?我不以为意,很快就把这件事抛之脑后。

数月后,就在软件即将上线前的几周,客户端的测试员发现了一个漏洞,而处理这个问题的任务落到了我头上。当我看到这个漏洞的细节时,我忍不住笑了出来。

我曾担心的修改默认条款和条件的问题,就是我被告知永远不会发生的事情,现在竟然真的发生了。而且,猜猜是谁被归咎,又是谁被要求解决这个问题?

尽管修复这个漏洞相对简单,且带来的影响不大,但这次经历成为了我职业生涯中反复遇到的一个主题。我与许多软件工程师同行交流后发现,这样的问题并非我独有。问题变得越来越复杂,更难解决,代价也越来越高,但问题的根源通常是相同的:需求不明确、矛盾或错误。

构建软件项目最难的部分不是编码而是需求 [译]

当前的 AI:对比国际象棋与自动驾驶汽车

人工智能这个概念已经出现很久了,近年来的重大进展引起了媒体和国会的关注。在某些领域,人工智能已经取得了显著成就,比如国际象棋。

早在 1980 年代,人工智能就开始应用于国际象棋。现在普遍认为,人工智能在国际象棋上的表现已经超过了人类。这并不奇怪,因为国际象棋的游戏规则是固定的(尽管这个游戏还没有被彻底“解决”)。

国际象棋的游戏始终是 32 个棋子在 64 个方格上进行,有着官方认可的明确规则,最关键的是有一个明确的胜利目标。在每一轮中,棋手可以选择的走法是有限的。下国际象棋就是按照规则进行决策。人工智能系统能够计算每一步棋的后果,从而选择最有可能夺取对方棋子或获得有利位置的走法,最终赢得比赛。

自动驾驶汽车则是另一个人工智能活跃应用的领域。制造商们长期以来一直在承诺推出自动驾驶汽车。虽然一些车型具备自动驾驶的功能,但还存在一些限制。在许多情况下,汽车需要司机的积极监控;驾驶员可能需要双手握紧方向盘,自动驾驶功能并非完全自主。

就像下国际象棋的人工智能程序一样,自动驾驶汽车主要依赖基于规则的系统来做出决策。但与国际象棋不同,自动驾驶中的每一种可能遇到的情况并没有一个明确的规则指导。司机在行驶过程中需要做出成千上万个小判断,比如避开行人、绕过双排停放的车辆以及在繁忙的路口转弯。做出正确的判断意味着是安全到达商场还是医院的关键所在。

在技术领域,常见的标准是五九甚至六九的可用性——即一个网站或服务在 99.999%(或 99.9999%)的时间内保持可用。实现最初的 99% 可用性的成本并不高,这意味着你的网站或服务每年可以停机超过三天,即 87.6 小时。然而,每增加一个 9,达成这一目标的成本就会呈指数级增长。当达到 99.9999% 时,每年的停机时间只能允许 31.5 秒。这就需要更多的规划和努力,当然成本也更高。获得最初的 99% 可能并不容易,但与最后的那一小部分相比,它在比例上更容易实现,也更经济。

一年有 525,600 分钟(365 天 × 24 小时 × 60 分钟)

99% 可用性 -> 每年停机 5256 分钟,即 87.6 小时 99.9% 可用性 -> 每年停机 526 分钟,即 8.76 小时 99.99% 可用性 -> 每年停机 52 分钟,不到 1 小时 99.999% 可用性 -> 每年停机 5.2 分钟 99.9999% 可用性 -> 每年停机大约 31.5 秒

无论人工智能(AI)离足够好还有多远,事故和致命风险总是存在的。这些风险和后果在人类驾驶背后每天都在发生。我不确定政府会接受什么比例的事故和死亡率,但至少它应该和人类驾驶一样好。

之所以难以达到可以接受的安全水平,是因为驾驶汽车涉及的变量比棋盘游戏要多得多,而且这些变量是无限的。前 95% 或 99% 的情况可能相对容易预测和处理。然而,在达到 99% 之后,会出现许多边缘情况(edge cases),尽管每个情况可能有一些共同特点,但每个都是独一无二的,例如其他人驾驶的车辆、道路封闭、施工、事故、天气事件等。想想看,你有多少次在道路重新铺设后,道路上的分割线还未画好时驾驶。对 AI 模型来说,要能识别这些异常和边缘情况,并且更重要的是,如何适当地作出反应以避免事故,无疑是一个巨大的挑战。每个边缘情况可能有一些共性,但很少完全相同,这使得 AI 更难以确定正确的应对方式。

AI 无法创造软件,只能编写代码

创造和维护软件的过程更像是驾驶而非下棋。它涉及的变数更多,其规则基于主观判断。在构建软件时,虽然有期望结果,但这结果往往不像棋局那样单一明确。软件是不断进化的;不断增加新功能,修复漏洞;它是一个持续的过程。与之相反,一盘棋的胜负一旦确定,游戏就宣告结束。

在软件开发中,我们有一个工具可以让软件设计更接近棋类的严格规则:技术规格 (technical specifications)。在最佳状态下,这些规格会详细描述用户的预期行为和程序的运作流程。例如,用户如何在线购买三明治:点击这个按钮,建立这个数据结构,启动这个服务。但实际情况往往不这么理想。我们经常接到的是功能清单、草图设计和模糊的需求文档,然后被告知要自己做出最佳判断。

更糟糕的是,需求常常会变更或被忽略。最近,我被要求帮助一个团队开发一个能够提供 COVID-19 健康信息的应用程序。这个应用将服务于一个无法稳定接入 WIFI 的地区。团队希望我帮忙开发一个通过短信进行调查的应用程序。起初,我对此感到很兴奋。

但当我开始了解团队的具体需求时,我意识到这将是一个挑战。对于零售公司来说,通过简单的量表(如 1-10 分)询问顾客再次光临的可能性是容易的。但要通过多个步骤和选择题来调查 COVID 感染的症状就复杂得多。我虽然没有直接拒绝,但我确实指出了这个过程中所有可能的问题,并希望团队能清晰定义我们如何处理各种问题的答案。例如,是否以逗号分隔的数字来对应每个答案?如果提交的答案不符合任何给定选项,又该如何处理?

经过一系列的讨论后,团队也达成了相同的结论。我们决定最好不要继续这个项目。虽然听起来令人难以置信,但我认为这其实是一个成功的结果。如果在没有明确解决所有潜在错误的方案下贸然开始,面对无效用户数据时,将会造成更大的浪费。

人工智能 (AI) 用于软件开发的核心思想,真的只是让利益相关者直接通过计算机创建基于短信的调查问卷吗?AI 能否深入提问,处理通过短信收集调查数据时可能遇到的各种问题?能否预见并解决人类在此过程中可能犯下的错误?

要从 AI 中得到一个实用的软件产品,你需要清楚地知道自己的需求,并能精确地定义它。我在为自己编写软件时,有时直到开始编程才意识到其中的难题和挑战。

过去十年里,软件行业从瀑布模型转向了敏捷开发。瀑布模型要求在编码前就明确定义需求,而敏捷则提供了足够的灵活性,让开发过程中可以进行调整。

许多采用瀑布模型的软件项目失败了,原因在于利益相关者以为自己清楚地知道需求,并能准确描述和记录,但最终却对交付的产品大失所望。敏捷软件开发旨在解决这一问题。

AI 可能最适合的是重写现有软件,使其适应新硬件或更现代的编程语言。许多机构仍在使用 COBOL 编写的软件,但学习这门语言的程序员日益减少。如果你对需求非常明确,或许可以用 AI 来更快、更经济地开发软件。我认为,AI 在重建已有软件方面可以比人类程序员更高效,因为有人已经明确了那些软件的功能。

AI 在采用瀑布模型开发软件方面可能做得不错,这个模型有时也被称为“死亡长征”。而我们人类在瀑布模型中的表现并不理想。这并非因为编码阶段的问题,而是在此之前的所有准备工作。AI 能做出许多惊人之举,但它无法读心,也不能告诉你应该追求什么目标。

❓ 常见问题解答(FAQ)
为什么说软件项目最难的是需求?

因为代码实现通常有明确语法和技术路径,而需求往往模糊、冲突或会变化。真正耗时的是确认“该做什么、不能做什么、边界在哪里”,一旦需求错了,后续开发、测试和修复成本都会成倍上升。

AI 为什么更适合国际象棋而不是软件需求?

国际象棋规则固定、目标明确、可选动作有限,AI 可以通过计算快速找到最优解;而软件需求涉及业务、法律、流程和人类偏好,变量更多且常常不一致,AI 很难独立判断哪种需求才是“正确答案”。

自动驾驶为什么比下棋更难让 AI 做好?

因为驾驶场景没有统一且完整的规则覆盖所有情况,路况、行人、车辆和突发事件都在变化。即使系统能处理大部分情况,只要安全边界不够高,就会带来事故风险,因此必须依赖更强的人类定义与监管。

🔬 语宙深潜追问 · 进阶实操拆解
AI 适合接手哪类需求?

适合规则清晰、边界明确、验收标准可量化的需求,比如表单生成、配置转换、代码重构和固定流程自动化。只要输入输出定义明确,AI 的产出效率很高;一旦涉及多方博弈、隐含约束和频繁变更,就必须有人类持续裁决。

如何避免需求写着写着跑偏?

把需求拆成目标、约束、例外和验收四部分,并尽早写出反例与失败场景。先定义“什么不做”,再定义“做到什么算完成”。对 AI 辅助开发尤其重要,因为模型会补全空白,空白越多,偏差越大。

🗳️ 读者观点微投票 · 您的实战立场是?
AI 写代码时代,需求还该谁来定?
🕸️ 语宙向量知识图谱 · 语义强关联深度内链
🐋 所属权威专题:DeepSeek 深度实战与部署 →
  • 开发者视角:项目管理的智慧 [译]
  • 如何构建高质量软件:一个被忽略的课题 [译]
  • 作为软件工程师,你可能不知道的 4 件事 [译]
  • 3天敲完3万行全栈代码、顺手要来德国博物馆图纸!前谷歌工程师王咏刚自白:亲历被Claude Opus 5.5“架空”后,传统程序员的技术价值正被彻底重写
🏛️ 宝玉的分享 · 前沿大模型翻译与提示词工程实战分享专栏,聚焦海外一手 AI 技术动态与工程实践。
📄 Markdown 纯净版
💡 这篇内容对您有启发吗?
📡 RSS 订阅✨ 提交 AI 工具 / 合作
🚀 Prompt 语宙 AI 创作者生态:探索 2,800+ 全球实用 AI 工具与高精度生图提示词咒语库
🧭 语宙 AI 导航 (ai.paooo.com)🎨 AI 生图 Prompt 库📚 核心专题导航⚡ AIGC 早报生成器
FlagevalMM – 智源开源的多模态模型评测框架
AutoDroid-V2 – 清华推出的移动端GUI自动化脚本代理
三钟的骗局:AI 语音诈骗如何轻松绕过防线
单日狂吞92万亿Token、人均烧掉6000万词元!DeepSeek开源智能体框架Harness日活暴增至154万:可插拔系统架构、算力黑洞成因与开发者生态激励全景技术拆解
Gita GPT
TAGGED:AI智能体AI编程大模型微调
分享
Email 复制链接 打印
Share
宝玉的分享 头像
By宝玉的分享
Follow:
前沿大模型翻译与提示词工程实战分享专栏,聚焦海外一手 AI 技术动态与工程实践。
上一篇 100 年前的人们对 2024 年的各种预言,今天都应验了哪些? [译] 100 年前的人们对 2024 年的各种预言,今天都应验了哪些? [译]
下一篇 一只水球在瞬间破裂,画面中央是来自斯坦利·库布里克《2001 太空漫游》中 HAL9000 的那只充满敌意的眼睛。图片修改自:Cryteria https://commons.wikimedia.org/wiki/File:HAL9000.svg(CC BY 3.0 https://creativecommons.org/licenses/by/3.0/deed.en)和 tom_bullock https://www.flickr.com/photos/tombullock/25173469495/(CC BY 2.0 https://creativecommons.org/licenses/by/2.0/) AI 泡沫:光明还是灰烬? [译]
Ad image
Ad image

最近更新

WordPress 7.2版本更新与默认随机重定向、Secrets API撤回及MCP核心能力拆解封面图
官方博客竟把关闭过滤器写错了!WordPress 7.2前瞻全拆解:默认/random/暗藏隐私与SEO风险、Secrets API紧急撤回与3项MCP只读能力落地
AI 工具
Anthropic上市募资与算力长约的隐喻:现金光环上升,数据中心暗链延伸,治理水晶承受张力与阻力冲击。
募资超1070亿美元却背负9000亿算力长约!Anthropic史上最大IPO背后的三大隐忧:1040亿年内亏损、地方抵制潮与PBC治理死结
AIGC 资讯
微软Copilot与Claude/ChatGPT价格战隐喻:发光玻璃表格堡垒守住Excel,数据流高效汇聚,企业AI竞争升级
3000万付费仅吃下4.5亿席位不到7%!微软Ignite正面叫板Claude与ChatGPT:月均30美元VS 205美元价格战与Excel保卫战全拆解
AIGC 资讯
联想AI推理时代的端边云全栈算力插画:玻璃拟态服务器核心发光,光流连接云端与边缘节点,呈现营收与订单增长动能。
AI营收暴涨80%且握5300亿服务器订单!联想Q2单季营收首破2000亿、净利狂飙166%:端边云全栈算力如何接住推理时代红利?
AIGC 资讯

相关推荐

JiuwenSwarm – 华为开源的 AI Agent 统一工作平台
AIGC 资讯

JiuwenSwarm – 华为开源的 AI Agent 统一工作平台

Prompt 语宙研究院
AI办公效率 AI智能体 AI编程 开源大模型
Ovis2 – 阿里国际推出的多模态大语言系列模型
AIGC 资讯

Ovis2 – 阿里国际推出的多模态大语言系列模型

Prompt 语宙研究院
AI智能体 HuggingFace 大模型微调 开源大模型 通义千问
AI 整合示意图,该模型能够从多种来源,如 Word 文档、SQL 数据库、非 SQL 数据库甚至网站,获取编码数据。
强化 AI 学习

整合人工智能的两大策略 [译]

宝玉的分享
AI智能体 ChatGPT OpenAI RAG检索增强 大模型微调
丰语大模型 – 顺丰推出物流行业的大语言模型,摘要准确率达95%+
AIGC 资讯

丰语大模型 – 顺丰推出物流行业的大语言模型,摘要准确率达95%+

Prompt 语宙研究院
AI办公效率 AI智能体 大模型微调 开源大模型
/ Prompt 语宙 /

探索生成式 AI 的无限创作潜能,一站式获取前沿 AIGC 资讯、高阶 Prompt 咒语与全球实用 AI 工具。

核心专栏

  • 语宙 AI 工具导航
  • EVA 视觉抠图工坊Hot
  • 出海数字营销宝典
  • AI 生图咒语灵感库
  • 24H 硅谷 AI 情报流

生态与服务

  • 语宙 AI 导航
  • 全部资讯
  • AI 生图咒语库
  • AIGC 早报生成器
  • 核心专题
  • 提交工具 / 合作

标签

开源大模型 AI智能体 AI办公效率 AI绘画提示词 OpenAI 大模型微调 Midjourney AI编程 stable diffusion AI视频生成 ChatGPT 3D与空间智能 HuggingFace AI音频与语音 RAG检索增强 Claude Flux AIGC Gemini 通义千问 Anthropic Llama Cursor DeepSeek Prompt AI Agent Kimi 智谱AI 具身智能 YouTube
Prompt 语宙Prompt 语宙
Follow US
© 2023–2026 Prompt 语宙 (paooo.com). HalfPX. All Rights Reserved.